人工智能在心脏影像诊断中的研究进展(2)

2.2 心脏CT 成像 目前心脏CT 成像的研究主要是基于AI 的冠状动脉低剂量CT 成像和针对血管狭窄段的直径、面积、长度的分析以及动脉硬化软硬斑块的检出与定量评估。 AI 中基于DL 的图像重建不同于传统的迭代重建， 在噪声数据库中，AI 可以自动重组高噪声图像像素位点，从而降低图像噪声。有研究者[15-16]以低剂量特征训练AI 中的CNN，可将病人的低剂量扫描影像重建为常规剂量的CT 影像，展示了AI 在改善冠状动脉CT 影像重建中的价值。 Tatsugami 等[17]以高辐射剂量扫描得到的优质冠状动脉影像作为训练数据， 结果在低剂量冠状动脉CT 血管成像（coronary computed tomography angiography，CCTA）上得到了低噪声、高分辨力的影像，并且输入更复杂的数据训练CNN 时， 可以增强基于DL 的图像重建效能。 AI 已广泛应用于冠状动脉钙化积分和冠状动脉狭窄的定性、 定量诊断。 通过两阶段分类法实现自动化低剂量心电门控CT 冠状动脉钙化评分，其评分结果与手动操作一致性较高[18]。Kang 等[19]应用AI 自动化分类CCTA 阻塞性和非阻塞性冠状动脉疾病，准确度高达94%，AUC 为0.94。AI 自动化分析能对斑块分类，对斑块总体积和冠状动脉狭窄数据的测定比单纯CCTA 更精确。此外，基于AI 的CCTA 冠状动脉病变特征评分较传统的冠状动脉疾病报告与数据系统（coronary artery disease reporting and data system，CAD-RADS） 评分能更好地区分是否发生心血管不良事件的病人[20]。

利用CCTA 数据， 通过计算流体力学和血管解剖生理模型的结合可以模拟计算血流储备分数（fractional flow reserve，FFR）[21]。 AI 也可以直接通过CCTA 特征计算基于CTA 的FFR（FFRCT），结果表明其对评估不良心血管事件风险具有实用价值[22]。Dey等[23]在一项多中心研究中，利用AI 提取254 例病人的CCTA 影像特征预测FFR， 发现基于AI 的FFR对病变血管特异性缺血的诊断效能高于单独的CCTA。 目前一些研究者也开展了基于CT 影像的心脏分割研究。 Commandeur 等[24]通过对AI 的训练和验证， 结果显示全自动分割胸腔和心外膜脂肪的结果与心血管专家手动分割具有极好的相关性（相关系数分别为0.945 和0.926），自动化分割仅需3 s，而心血管专家手动分割则需10~11 min。 Zreik 等[25]也将AI 应用于心肌内缺血性变化的CCTA 影像的自动分析， 可以鉴别心功能受限的冠状动脉狭窄。AI 通过自动测量钙化积分、冠状动脉斑块体积及冠状动脉管腔狭窄程度，可获得CCTA 中有关解剖学和功能的信息，更好地评估心血管病变，进而精准判断病人预后。 目前在AI 的研究中，传统ML 主要应用在基于CT 影像数据分类分析对心血管疾病进行诊断和预后预测，而DL 则是采取直接“端到端”模式对影像直接预测结果，适用于大型复杂数据的分析，如基因组学[26]。 传统ML 的研究相对较成熟，基于CT 影像数据的ML 方法不仅可以提高诊断疾病的特异性并预测远期疾病进展风险，还可以预测病人的预后情况。 基于CCTA 数据的ML 预测冠状动脉疾病病人5 年全因死亡率的AUC 为0.79，Framingham风险评分为0.61，节段狭窄评分0.64，节段累积积分0.64， 杜克指数0.62，ML 结合动脉粥样斑块表征定量软件可对病人进行精确的心血管风险分层， 对病人个体化精准治疗具有重要的临床意义[27-29]。 综上，通过AI 低剂量数据特征训练，在不改变影像诊断质量的前提下可大幅降低病人在一次扫描时所接受的辐射剂量。 同时，AI 对心脏自动分割的耗时不仅低至3 s，而且对冠状动脉钙化斑块的分类、定性、定量及冠状动脉狭窄程度的判断一定程度上比人工诊断更精确， 尤其是基于CCTA 数据自动化计算的FFRCT对冠状动脉疾病病人进行预后风险评估的性能显著优于单独的临床和CCTA 指标。

2.3 心脏MRI 在心脏MRI 中， 自动分割心脏结构和鉴别心肌梗死组织是AI 的研究热点。 尤其是分割短轴图像重建中的心脏结构， 可以量化心脏功能。Karim 等[30]利用AI 对心脏MRI 增强晚期影像进行自动分割，表明AI 算法分割比固定模型具有更好的准确性。 Baessler 等[31]通过利用AI 从MRI 影像中提取心脏纹理特征来区分心肌梗死组和对照组，多重逻辑回归显示AUC 为0.92， 亦表明AI 可以较好地鉴别心肌正常组织和梗死组织。 Bernard 等[32]已成功地在心脏MRI 中自动分割左心室腔、左心室心肌和右心室，并基于图像数据诊断区分扩张型心肌病、肥厚型心肌病、左室射血分数改变的心肌梗死、右心室异常和无心脏疾病的病人，评价心功能方面，2D-3D U-Net 集成模型效能最佳，左室射血分数和右室射血分数测量误差低于5%的病人分别占92%和68%。 AI 还能基于输入的右心室三维心脏运动数据对肺动脉高压病人进行建模预测其生存率， 表明了在心脏MRI 中AI 的应用对高风险病人早期干预可以起到积极作用[33]。 有研究[34]报道，因临床检查需求不同（如心肌、血流），心脏MRI 扫描需多个序列完成，单个序列检查需6～7 min，且后处理耗时较长，完成需30 min，而AI 自动化分析单个序列，仅需不足1 min， 并且可获得高质量的对比增强曲线，2 种方法所得影像的诊断效能基本一致（AUC 为0.72 和0.73），但由于MRI 中不同的脉冲序列、扫描参数和成像协议使得自动化处理变得复杂，大多数基于AI的心脏MRI 扫描和后处理仍需要人工辅助完成。加之部分体积效应引起的室腔边界模糊， 左心室乳头肌、 右心室小梁与周围心肌组织信号相似导致自动化处理时不易分割等问题， 致使AI 在心脏MRI 中的应用还存在较多困难。 但在2018 年北美放射学年会上多位研究者报道了AI 在心脏MRI 中的技术突破，在诊断扩张型心肌病、测定心肌纤维化、快速采集高质量心脏MRI 影像以及评估左心室容积方面均取得了较好的研究成果[4]。 随着AI 算法的更新，心脏MRI 在心脏疾病中的应用将具有潜在的良好价值。

文章来源：《心脏杂志》 网址: http://www.xzzzzzs.cn/qikandaodu/2021/0412/741.html